Aprèn - José María Arnau Montañés

En la era digital actual, el procesamiento eficiente de datos es crucial para aplicaciones como el análisis de grandes conjuntos de datos y el desarrollo de sistemas avanzados de IA (Inteligencia Artificial). Los procesadores específicos para aprendizaje automático han surgido como una necesidad para satisfacer la creciente demanda de potencia de cálculo. Este proyecto de Trabajo de Fin de Grado, titulado Implementación de una Tensor Unit en un procesador RISC-V enfocado a Machine Learning, tiene como objetivo diseñar e implementar una unidad de procesamiento altamente especializada, orientada hacia la aceleración de las operaciones de multiplicación y acumulación de matrices para algoritmos de aprendizaje automático. Su integración en un procesador RISC-V busca mejorar significativamente el rendimiento y la eficiencia de la ejecución de modelos de inteligencia artificial. La tesis se desarrolla como parte del programa de finalización del Grado de Ingeniería Informática en la Facultat d'Informàtica de Barcelona (FIB) de la Universitat Politècnica de Catalunya (UPC) y forma parte de un proyecto que está en desarrollo en la empresa Semidynamics, proporcionando una perspectiva práctica y aplicada, añadiendo valor tanto académico como industrial a la investigación realizada. El trabajo se centra en el diseño e implementación de los Tensor Cores, así como en la integración de la Tensor Unit en el procesador Atrevido, propiedad de Semidynamics Technology Services. Se exploran diversos aspectos técnicos, como la arquitectura del procesador, la optimización de algoritmos y el desarrollo de herramientas de programación específicas para la verificación. Además de los aspectos técnicos, se analiza el impacto económico, social y ambiental de la implementación de la unidad tensorial. Se evalúan los costes y beneficios asociados al proyecto, así como su contribución potencial a la sociedad y al avance de la tecnología en el campo de la inteligencia artificial.

In today's digital era, efficient data processing is crucial for applications such as big data analysis and the development of advanced AI systems. Hardware acceleration of machine learning processes is a growing field. It allows us to tackle the computational intensive requirements of such algorithms. This Bachelor's Thesis project, entitled Implementation of a Tensor Unit in a RISC-V Processor focused on Machine Learning aims to develop a new specialized processing unit designed to accelerate matrix multiplication and accumulation operations for Machine Learning algorithms. Its integration into a RISC-V processor seeks to significantly improve the performance and efficiency of AI model execution. The thesis is part of the Bachelor's Degree in Computer Engineering at the Facultat d'Informàtica de Barcelona (FIB) at Universitat Politècnica de Catalunya (UPC). It is part of a project in development at Semidynamics, providing a practical and applied perspective, adding both academic and industrial value to the research conducted. The work focuses on the design and implementation of Tensor Cores, as well as the integration of the Tensor Unit into the Atrevido processor, owned by Semidynamics Technology Services. Several technical aspects are explored, such as processor architecture, algorithm optimization, and the development of specific programming tools for verification. In addition to the technical aspects, the economic, social, and environmental impact of the Tensor Unit implementation is analysed. The costs and benefits associated with the project are evaluated, as well as its potential contribution to society and the advancement of technology in the field of machine learning.

Improving instruction scheduling in GPGPUs

Master thesis

Huerta Gañán, Rodrigo

Tutor / Supervisor: González Colás, Antonio María; Arnau Montañés, José María

Publication date: 2022

Barcelona School of Informatics (FIB)

View detail Access to the full text

A hardware accelerator for ORB-SLAM

Master thesis

Taranco, Raúl

Tutor / Supervisor: González Colás, Antonio María; Arnau Montañés, José María

Publication date: 2019